La vidéo de soumission de notre article a été publiée dans ICLR 2018. Veuillez vous référer à la version finale de l’auteur : Tero Karras (NVIDIA) Timo Aila (NVIDIA) Samuli Laine (NVIDIA) Jaakko Lehtinen (NVIDIA et Aalto University) Hector Marinez à hmarinez@nvidia.com Lien : Résumé : Nous décrivons une nouvelle méthode d’entraînement pour générer des réseaux contradictoires. L’idée clé est d’ajouter progressivement des générateurs et des discriminateurs : en commençant par la basse résolution, on ajoute de nouvelles couches, et on modélise des détails de plus en plus fins au fur et à mesure que l’entraînement progresse. Cela accélère non seulement la formation, mais la stabilise également considérablement, nous permettant de générer des images d’une qualité sans précédent, telles que des images 1024² CelebA. Nous avons également proposé une méthode simple pour augmenter la variation de l’image générée et obtenu un score initial record de 8,80 dans CIFAR10 non supervisé. De plus, nous décrivons plusieurs détails de mise en œuvre qui sont importants pour éviter une concurrence malsaine entre le générateur et le discriminateur. Enfin, nous proposons un nouvel indice pour évaluer les résultats du GAN, incluant la qualité et les changements d’image. Comme contribution supplémentaire, nous avons construit une version de meilleure qualité de l’ensemble de données CelebA.